[go: up one dir, main page]

JP5127392B2 - 分類境界確定方法及び分類境界確定装置 - Google Patents

分類境界確定方法及び分類境界確定装置 Download PDF

Info

Publication number
JP5127392B2
JP5127392B2 JP2007267535A JP2007267535A JP5127392B2 JP 5127392 B2 JP5127392 B2 JP 5127392B2 JP 2007267535 A JP2007267535 A JP 2007267535A JP 2007267535 A JP2007267535 A JP 2007267535A JP 5127392 B2 JP5127392 B2 JP 5127392B2
Authority
JP
Japan
Prior art keywords
background
reliability
classification boundary
images
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2007267535A
Other languages
English (en)
Other versions
JP2008130086A (ja
Inventor
ウェイ リョ
ウェイ ユエン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alpine Electronics Inc
Original Assignee
Alpine Electronics Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alpine Electronics Inc filed Critical Alpine Electronics Inc
Publication of JP2008130086A publication Critical patent/JP2008130086A/ja
Application granted granted Critical
Publication of JP5127392B2 publication Critical patent/JP5127392B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Description

本発明は、分類境界確定方法及び分類境界確定装置に係わり、特に対象分類器で対象を分類し識別する時に、対象と背景との分類境界を確定する分類境界確定方法及び分類境界確定装置に関する。
対象画像より対象を識別するに際して、通常、各種の分類器、例えばSVM（サポートベクタマシン：Support Vector Machines）分類器やニューラルネットワーク分類器などを用いて、例えば車両、オートバイ、歩行人などの対象を分類し識別する。車両画像識別装置においてSVM分類器は、統計的学習理論における学習方法に基づいて車両を識別するもので構造が簡単で一般化の能力が強い利点がある(非特許文献1,2)。
従来の車両画像識別においてSVM分類器で車両画像識別を行う場合、図１に示すように、(1)学習過程においてマニュアルで選択された車両学習サンプル1及び背景サンプル2を用いてSVM分類器3に学習させ、しかる後、(2)識別過程において、学習結果である各種の車両特徴（例えば車の下影、車の水平エッジ、車の垂直エッジ及び車の対称性などの特徴）に基づいて、撮影画像から切り取られた所定画像領域ROI（関心領域：Region of Interest）４の画像に対し、SVM分類器３が車両の分類識別を行って結果を出力する。すなわち、SVM分類器３は前記抽出されたROIを分類し識別して、該ROIの信頼度の値を求め、最後に、該ROIの信頼度の値に基づいて、該ROIに車両が含まれるか、それとも背景が含まれるかを判断する。
なお、信頼度の値は以下の公式
Figure 0005127392
 で計算する。上式において、
Figure 0005127392
はSVMの判定関数（Desicion Function）で、その値が信頼度の値となる。
Figure 0005127392
はサポートベクトルが対応するLagrange係数で、yiは車輛或は背景サンプルデータのlabelである。また、
Figure 0005127392
であり、その中でyi＝１はそのサンプルデータが車輛であることを示し、yi＝‐１はそのサンプルデータが背景であることを示す。K(xi‐x)はSVMのコア関数で、b0は定数で、分類関数の閾値を示す。また、
Figure 0005127392
であり、ＳSVはサンプルデータ中のサポートベクトルの集合を示す。xは車輛或は背景のテストサンプルデータがWavelet変換後で抽出する特徴ベクトルである。
学習させたSVM分類器で車両の学習サンプル及び背景の学習サンプルをそれぞれ分類し識別する時、各学習サンプルの信頼度の値が得られ、図２に示すように、これら信頼度の値から、車両の学習サンプル及び背景の学習サンプルの信頼度の確率密度分布曲線が得られる。すなわち、
(1)最初に、車輛或は背景のテストサンプルデータそれぞれをトレーニング済みの分類器に入力する。これにより、各サンプルデータが対応する信頼度の値が得られる。
(2)ついで、サンプルデータの信頼度の範囲をいくつかの領域に分け、各信頼度領域でのサンプルデータの数を統計し、これにより、サンプルデータの信頼度ヒストグラムを得る。同時に
Figure 0005127392
検証（一つの統計の方法）を経て、それが正規分布を満足することを検証する。
(3)そして、最後に、曲線フェッティングを経て、サンプルデータの信頼度分布曲線を取得する。図２の横軸における「信頼度」は、ROI画像に対象(車両或は背景)が含まれている信頼度である。
上記信頼度分布曲線の学習サンプルの信頼度の分布により、車両の学習サンプル及び背景の学習サンプルの信頼度の確率密度分布曲線A,Bが得られる。すなわち、左側は背景学習サンプルの確率密度分布曲線Aであり、右側は車両学習サンプルの確率密度分布曲線Bである。なお、前述のようにｘ2検証によって、信頼度の確率密度分布関数が正規分布を満たすことが検証されている。
図２を参照すると、車両の信頼度の値と背景の信頼度の値とは完全に別れ、即ち、車両の信頼度の値がすべて０より大きく、背景の信頼度の値がすべて０より小さい。この車両と背景との信頼度が完全に別れた特性に基づいて、通常、信頼度が０より大きいか否かによってROIに車両が含まれるか、それとも背景が含まれるかを判断し、即ち、信頼度が０より大きい場合にROIに車両が含まれると判定し、逆に、信頼度が０より小さい場合に背景が含まれると判定する。
しかし、実際的な応用において、学習サンプルの数には限りがある。かつ、車両は、各種の類型及び色があり、また、運転過程において、車両の間に異なる距離及び運転方向があり、同時に、照明、道路状況、天気条件及び背景も変化に富むので、有限の数の学習サンプルによって現実に存在する各種の場合を完全に網羅することができない。このため、有限の数の学習サンプルで学習させたSVM分類器は、状況により車両と背景を正確に識別することができない。言い換えれば、SVM分類器は、車両を背景と誤って識別したり、又は背景を車両と誤って識別する間違いを生じる。図３に示すように、これが車両と背景の信頼度の確率密度分布に現れると、この両者の曲線は部分的に重なり合う。
図３のように、車両と背景の信頼度の確率密度分布A,Bが部分的に重なり合う場合、一つの固定の信頼度の値（通常、信頼度の値が０）を分類境界としてROI画像に車両が含まれているか、それとも背景が含まれているかを判断しても、アプリケーション(装置)の要求通りに正しく判断することができない。例えば、車両と背景を間違って分類する確率、車両が正確に識別される確率、あるいは間違って識別する確率が所定の目標値を満たす必要があるアプリケーションにおいて、信頼度の値０を固定的に分類境界として判断すると、通常、このような種々のアプリケーションの要求を満たすことができない。SVM分類器で車両を分類し識別する場合だけでなく、SVM分類器で例えば歩行人のような対象を分類し識別する場合でも同様である。
SVM分類器のように信頼度を分類根拠とするどんな種類の対象分類器でも、対象を分類し識別する過程で識別を間違うことがある。かかる間違いがある限り、一つの固定の信頼度の値を分類境界として対象物が画像に含まれているか、それとも背景が含まれているかを判断する方法は、アプリケーションの要求を満たすことができない。
ところで、クラスの特徴情報の分布を仮定することなく未分類の標本を用いて分類尺度を決定可能な分類装置が提案されている(特許文献１)。しかし、この提案されている分類装置は対象が画像でなく、しかもサンプルの相関作用素を計算してクラス分けするものである。
"Preceding Vehicle Recognition Based on Learning From Sample Images" Takeo Kato, Yoshiki Ninomiya、and Ichiro Masaki, IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOl.3, No. 4, December 2002, page 252-260 "Quantized Wavelet Features and Support Vector Machines for On-Road Vehicle Detection" Zehang Sun, George Bebis and Ronald Miller, Seventh International Conference on Control, Automation, Robotics And Vision, Dec 2002, Singapore, page 1041-1046 特開２００６−２３５９５３号公報
本発明は、画像に対象が含まれているか否かを正しく判定することができる分類境界確定方法及び分類境界確定装置を提供することを目的とする。この分類境界確定方法及び分類境界確定装置によれば、必要に応じて対象と背景の分類境界を確定して、異なるアプリケーションの要求を満たすことができる
本発明は、対象と背景の分類境界を確定する分類境界確定方法であり、学習させた分類器でテスト用の複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する第１ステップ、得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ計算する第２ステップ、計算して得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求を満足するように前記対象と前記背景の分類境界を確定する第３ステップを含んでいる。
前記第３ステップにおいて前記背景の分類境界を確定する第１の方法は、前記対象と前記背景を間違って分類する確率
Figure 0005127392

が最小となるように前記分類境界Tを確定する。ただし、上式において、min（）は最小値を求める計算、f v (x)とf b (x)は、それぞれ前記対象と前記背景の信頼度の確率密度分布関数、aは背景を間違って対象として識別する懲罰係数、bは対象を間違って背景として識別する懲罰係数である。
前記第３ステップにおいて前記背景の分類境界を確定する第２の方法は、前記対象の識別率
Figure 0005127392

を求め、該識別率が目標値より大きくなるように前記分類境界Tを確定する。ただし、f v (x)は前記対象の信頼度の確率密度分布関数である。
前記第３ステップにおいて前記背景の分類境界を確定する第３の方法は、前記対象の誤識別率
Figure 0005127392

を求め、該誤識別率が目標値より小さくなるように前記分類境界Tを確定する。ただし、f b (x)は前記背景の信頼度の確率密度分布関数である。
前記第３ステップにおいて前記背景の分類境界を確定する第４の方法は、n個のフレーム画像よりなる前記マルチフレーム画像の識別率
Figure 0005127392

を求め、該識別率が目標値P′より大きくなるように前記分類境界Tを確定する。上式において、f v (x)は前記対象の信頼度の確率密度分布関数である。
前記第３ステップにおいて前記背景の分類境界を確定する第５の方法は、n個のフレーム画像よりなる前記マルチフレーム画像の誤識別率
Figure 0005127392

を求め、該誤識別率が目標値F′より小さくなるように前記分類境界Tを確定する。上式において、f b (x)は前記背景の信頼度の確率密度分布関数である。
本発明によれば、画像に対象が含まれているか否かを正しく判定する分類境界確定方法及び分類境界確定装置を提供することができる。
また、本発明によれば、必要に応じて対象と背景の分類境界を確定して、異なるアプリケーションの要求を満たすことができる。アプリケーションの要求としては、(1)対象と背景を間違って分類する確率が所定の目標値を満たすこと、あるいは(2)対象の識別率が所定の識別率の目標値を満たすこと、あるいは(3)対象の誤識別率が所定の誤識別率の目標値を満たすこと、あるいは(4)マルチフレーム画像の識別率が所定の識別率の目標値を満たすこと、あるいは(5)マルチフレーム画像の誤識別率が所定の誤識別率の目標値を満たすことのいずれかがある。
以下、図４及び５を参照しながら、SVM分類器で対象とする車両を分類し識別する場合を例として、本発明の第１の実施例の対象と背景の分類境界を確定する方法を詳しく説明する。
図４は本発明の第１の実施例の車両と背景の分類境界を確定する流れ図である。図４に示すように、まず、例えば撮像機又はカメラのような画像撮像装置で実際的に撮像した画像から、所定数の車両画像及び所定数の背景画像を抽出して、図１に示した方法でSVM分類器に学習させる。ついで、該SVM分類器で該所定数の車両画像及び該所定数の背景画像における各画像をそれぞれ分類し識別して、該所定数の車両画像における各画像の信頼度の値と該所定数の背景画像における各画像の信頼度の値を取得する（ステップＳ１０）。
次に、得られた該所定数の車両画像の信頼度の値と該所定数の背景画像の信頼度の値に基づいて、車両と背景の確率密度分布関数A,Bをそれぞれ当てはめ計算する（ステップＳ２０）。
図５に示すように、車両と背景の確率密度分布は、正規分布（つまりガウス分布）を満たすので、車両の確率密度分布関数と背景の確率密度分布関数は、それぞれ式（2a）、（2b）で示される。
Figure 0005127392
 ただし、（2a）、（2b）式において、xは信頼度の値、μvとσvは、それぞれ前記所定数の車両画像の信頼度の値の平均値と平均二乗誤差を示し、μbとσbは、それぞれ前記所定数の背景画像の信頼度の値の平均値と平均二乗誤差を示す。
ここで、説明を簡略化するために、車両の確率密度分布関数fv(x)と背景の確率密度分布関数fb(x)によって以下で用いられる式（3a）〜（3d）で示されるパラメータを定義する。
Figure 0005127392
 ただし、（3a）〜（3d）式において、Tは車両と背景の分類境界の値、PVは車両が正確に識別される確率、PBは背景が正確に識別される確率、αは背景を間違って車両として識別する（本例にはフォールスアラーム(false alarm)と略称する）確率、βは車両を間違って背景として識別する（本例には識別漏れと略称する）確率を示す。また、
Figure 0005127392
 である。
当てはめ計算により車両と背景の確率密度分布関数、が得られた後、当該当てはめ計算により得られた車両と背景の確率密度分布関数およびアプリケーションの要求に基づいて、車両と背景の分類境界を確定する（ステップＳ３０）。
以下、アプリケーションの要求に基づいて車両と背景の分類境界を確定する種々のモデルについて詳しく説明する。
(1) 最小の間違い分類確率を満足する要求モデル
最小の間違い分類確率とは、車両を背景として誤って識別し、又、背景を車両として誤って識別する二種類の間違いの確率の和が最小であることをいう。最小の間違い分類確率を満たす要求モデルは、言い換えれば正確に識別する確率を最大にする要求と同じであり、(5)式で表現できる。
Figure 0005127392
 上式において、min（ ）は、最小値を求める計算、aとbは、間違い分類のリスクの懲罰係数を示し、その中、aは背景を間違って対象として識別する懲罰係数（フォールスアラームの懲罰係数と称する）、bは対象を間違って背景として識別する懲罰係数（識別漏れの懲罰係数と称する）を示し、a+b=1である。
(5)式を導出することによって、二種類の間違いの確率の和を最小にさせる分類境界Tを確定することができる。
また、(5)式におけるaとbは、フォールスアラームと識別漏れが占める重みの相違によって異なる値が取られる。フォールスアラームと比べると、識別漏れ(車両を背景と誤る)が車両の安全により大きいリスクを与えるから、ｂ＞ａとなるように値を選択する。すなわち、識別漏れに対する懲罰を大きくすることによって、確定された分類境界Tにより車両に対するよりよい識別率を保証することができる。
(2) 識別率が目標を満たす要求モデル
識別率が目標を満たすとは、車両の識別率又は誤識別率が所定の目標値を満たすことをいう。識別率が目標値を満たす要求モデルは、（6）,(7)式に示される。
Figure 0005127392
 すなわち、
Figure 0005127392
 なお、DRは識別率目標値である。
また、誤識別率が目標値を満たす要求モデルは(8),(9)式に示される。
Figure 0005127392
 すなわち、
Figure 0005127392
 なお、FARは誤識別率目標値である
(6),(7)式または(8),(9)式を導出することによって、目標値を満たす分類境界Tを確定することができる。例えば、DR>95%又はFAR<5%を満たす分類境界Tを確定することができる。
(3) マルチフレーム画像の識別率が目標を満たす要求モデル
安全を非常に強調する場合に、車両検出システムは必ず信頼できるもので、出現されるどんな障害物も検出漏れをしてはならない。また、応答時間を十分にさせるために、障害物がまだ遠方にある時に検出される必要がある。そして、遠くより近づくにつれて各フレーム画像の識別率を大きくする必要がある。
そのため、マルチフレーム画像の識別率又は誤識別率が所定の目標値を満たすために適当な分類境界Tを必要とする。マルチフレーム画像の識別率が所定の目標値を満たす必要がある場合において、シングルフレーム画像の識別率をＰとし、システムがｎフレーム画像を連続して検出するものとし、また、マルチフレーム画像の識別率の目標値をＰ'とすれば、マルチフレーム画像の識別率が目標値Ｐ'を満たすモデルは(10)式
Figure 0005127392
 で示される。(10)式により、マルチフレーム画像の識別率の目標値を満たす分類境界Tを確定することができる。
マルチフレーム画像の誤識別率が所定の目標値を満たす必要がある場合において、シングルフレーム画像の誤識別率をFとし、システムがｎフレーム画像を連続して検出するものとし、また、マルチフレーム画像の誤識別率の目標値をＦ'とすれば、マルチフレーム画像の誤識別率が目標値Ｆ'を満たすモデルは(11)式
Figure 0005127392
 で示される。(11)式により、マルチフレーム画像の誤識別率の目標値を満たす分類境界Tを確定することができる。
図６は対象と背景の分類境界を確定する分類境界確定装置のブロック図であり、本発明に係る部材だけを示している。分類境界確定装置１０は、分類器で複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する識別手段１００と、得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて、前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ当てはめ計算する計算手段１１０と、当該当てはめ計算により得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求モデルに従って前記対象と前記背景の分類境界Tを確定する確定手段１２０とを含む。分類境界確定部１２０は、要求モデルとして既に説明したように、(1)対象と背景を間違って分類する確率が所定の目標値を満たすこと、(2)対象の識別率が所定の識別率の目標値を満たすこと、(3)対象の誤識別率が所定の誤識別率の目標値を満たすこと、(4)マルチフレーム画像の識別率が所定の識別率の目標値を満たすこと、(5)マルチフレーム画像の誤識別率が所定の誤識別率の目標値を満たすことのうちのいずれか一つを選択して分類境界を確定する。
・変形例
実施例では車両と背景の信頼度の確率密度分布が正規分布であるとして、確率密度分布関数を求めた場合について説明しているが、当業者であれば、本発明がこれに限らないことが分かるはずである。実質的に、本発明は、車両と背景の信頼度の確率分布関数が、他のどんな分布例えばポアソン分布などを満たす関数であってもよい。
また、前記実施例において、最小の間違い分類確率とは、車両を背景と誤って識別する間違いの確率と背景を車両と誤って識別する間違いの確率の和が最小であることをいう。しかし、当業者であれば、本発明はこれに限られないことが分かるはずである。実質的に、最小の間違い分類確率は、車両を背景と誤って識別し、また背景を車両と誤って識別する二種類の間違いの確率の和が最小値でなく所定の目標値以下の場合をも含む。
実施例において、前記対象は車両であるとして説明したが、対象は車両に限られることはなく、オートバイ、歩行人などであってもよい。
実施例に係る対象と背景の分類境界を確定する方法は、ソフトウエア、ハードウエア、あるいはソフトウエアとハードウエアとを組合せる方式で実現することができる。
また、当業者であれば、本発明に開示されている対象と背景の分類境界を確定する方法及び装置は、さらに、本発明の内容から離脱しない限り、各種の改善をすることができる。そのため、本発明の保護範囲は、本願の特許請求の範囲の内容で確定されるはずである。
従来のSVM分類器を用いて車両を識別する場合の概略処理フローである。 車両の学習サンプルと背景の学習サンプルの信頼度の確率密度分布曲線を示す概略図である。 実際的な車両と背景の信頼度の確率密度分布曲線を示す概略図である。 本発明の車両と背景の分類境界を確定する方法を示す流れ図である。 本発明の車両と背景の確率密度分布曲線を示す概念図である。 本発明の車両と背景の分類境界を確定する分類境界確定装置(SVM分類器)を示すブロック図である。
符号の説明
S10 分類識別ステップ
S20 信頼度確率密度分布関数計算ステップ
S30 分類境界確定ステップ

Claims (6)

  1. 対象と背景の分類境界を確定する分類境界確定方法において、
    学習させた分類器でテスト用の複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する第１ステップ、
    得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ計算する第２ステップ、
    計算して得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求を満足するように前記対象と前記背景の分類境界を確定する第３ステップ、
    を含み、
    前記第３ステップにおいて、前記対象と前記背景を間違って分類する確率
    Figure 0005127392
     が最小となるように前記分類境界Tを確定する、
    ことを特徴とする請求項１記載の分類境界確定方法。
    ただし、上式において、min（）は最小値を求める計算、fv(x)とfb(x)は、それぞれ前記対象と前記背景の信頼度の確率密度分布関数、aは背景を間違って対象として識別する懲罰係数、bは対象を間違って背景として識別する懲罰係数である。
  2. 前記bは前記aより大きい、ことを特徴とする請求項１記載の分類境界確定方法。
  3. 対象と背景の分類境界を確定する分類境界確定方法において、
    学習させた分類器でテスト用の複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する第１ステップ、
    得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ計算する第２ステップ、
    計算して得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求を満足するように前記対象と前記背景の分類境界を確定する第３ステップ、
    を含み、
    前記第３ステップにおいて、前記対象の識別率
    Figure 0005127392
    を求め、該識別率が目標値より大きくなるように前記分類境界Tを確定する、
    ことを特徴とする分類境界確定方法。
    ただし、fv(x)は前記対象の信頼度の確率密度分布関数である。
  4. 対象と背景の分類境界を確定する分類境界確定方法において、
    学習させた分類器でテスト用の複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する第１ステップ、
    得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ計算する第２ステップ、
    計算して得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求を満足するように前記対象と前記背景の分類境界を確定する第３ステップ、
    を含み、
    前記第３ステップにおいて、前記対象の誤識別率
    Figure 0005127392
    を求め、該誤識別率が目標値より小さくなるように前記分類境界Tを確定する、
    ことを特徴とする分類境界確定方法。
    ただし、fb(x)は前記背景の信頼度の確率密度分布関数である。
  5. 対象と背景の分類境界を確定する分類境界確定方法において、
    学習させた分類器でテスト用の複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する第１ステップ、
    得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ計算する第２ステップ、
    計算して得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求を満足するように前記対象と前記背景の分類境界を確定する第３ステップ、
    を含み、
    前記第３ステップにおいて、n個のフレーム画像よりなる前記マルチフレーム画像の識別率
    Figure 0005127392
    を求め、該識別率が目標値P′より大きくなるように前記分類境界Tを確定する、
    ことを特徴とする分類境界確定方法。
    上式において、fv(x)は前記対象の信頼度の確率密度分布関数である。
  6. 対象と背景の分類境界を確定する分類境界確定方法において、
    学習させた分類器でテスト用の複数の対象画像と複数の背景画像における各画像を分類し識別して、前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値を取得する第１ステップ、
    得られた前記複数の対象画像の信頼度の値と前記複数の背景画像の信頼度の値に基づいて前記対象と前記背景の信頼度の確率密度分布関数をそれぞれ計算する第２ステップ、
    計算して得られた前記対象及び／又は前記背景の信頼度の確率密度分布関数に基づいて、所定の要求を満足するように前記対象と前記背景の分類境界を確定する第３ステップ、
    を含み、
    前記第３ステップにおいて、n個のフレーム画像よりなる前記マルチフレーム画像の誤識別率
    Figure 0005127392
    を求め、該誤識別率が目標値F′より小さくなるように前記分類境界Tを確定する、
    ことを特徴とする請求項１１記載の分類境界確定方法。
    上式において、fb(x)は前記背景の信頼度の確率密度分布関数である。
JP2007267535A 2006-11-17 2007-10-15 分類境界確定方法及び分類境界確定装置 Expired - Fee Related JP5127392B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN200610149452.1 2006-11-17
CN2006101494521A CN101187985B (zh) 2006-11-17 2006-11-17 确定对象分类器分类边界的方法及装置

Publications (2)

Publication Number Publication Date
JP2008130086A JP2008130086A (ja) 2008-06-05
JP5127392B2 true JP5127392B2 (ja) 2013-01-23

Family

ID=39417020

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007267535A Expired - Fee Related JP5127392B2 (ja) 2006-11-17 2007-10-15 分類境界確定方法及び分類境界確定装置

Country Status (3)

Country Link
US (1) US8041115B2 (ja)
JP (1) JP5127392B2 (ja)
CN (1) CN101187985B (ja)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006014974A2 (en) * 2004-07-26 2006-02-09 Automotive Systems Laboratory, Inc. Vulnerable road user protection system
CN101742324A (zh) * 2008-11-14 2010-06-16 北京中星微电子有限公司 视频编解码方法、视频编解码系统及编解码器
CN101840514B (zh) * 2009-03-19 2014-12-31 株式会社理光 图像对象分类装置及方法
US8237771B2 (en) * 2009-03-26 2012-08-07 Eastman Kodak Company Automated videography based communications
CN102411716A (zh) * 2010-09-21 2012-04-11 索尼公司 目标检测和分类方法和装置
CN102214233B (zh) * 2011-06-28 2013-04-10 东软集团股份有限公司 一种对文本进行分类的方法及装置
US10678259B1 (en) * 2012-09-13 2020-06-09 Waymo Llc Use of a reference image to detect a road obstacle
CN104219488B (zh) * 2013-05-31 2019-01-11 索尼公司 目标图像的生成方法和装置、以及视频监控系统
US9159137B2 (en) * 2013-10-14 2015-10-13 National Taipei University Of Technology Probabilistic neural network based moving object detection method and an apparatus using the same
CN105205830A (zh) * 2014-06-17 2015-12-30 佳能株式会社 用于更新场景模型和视频监视的方法和设备
US10474949B2 (en) * 2014-08-19 2019-11-12 Qualcomm Incorporated Knowledge-graph biased classification for data
WO2016043734A1 (en) * 2014-09-17 2016-03-24 Hewlett Packard Enterprise Development Lp Neural network verification
US9892514B2 (en) * 2014-10-10 2018-02-13 Facebook, Inc. Post-manufacture camera calibration
US10528850B2 (en) * 2016-11-02 2020-01-07 Ford Global Technologies, Llc Object classification adjustment based on vehicle communication
EP3487161B1 (en) * 2017-11-15 2019-10-30 Axis AB Splitting of a wide angle view
US12136148B2 (en) 2018-06-27 2024-11-05 K.K. Cybo Method, system, device, and program for displaying probabilistic classification results
US10635940B1 (en) * 2018-12-11 2020-04-28 Capital One Services, Llc Systems and methods for updating image recognition models
JPWO2022196156A1 (ja) * 2021-03-18 2022-09-22

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6161071A (en) 1999-03-12 2000-12-12 Navigation Technologies Corporation Method and system for an in-vehicle computing architecture
DE10025678B4 (de) 2000-05-24 2006-10-19 Daimlerchrysler Ag Kamerabasiertes Precrash-Erkennungssystem
JP3831232B2 (ja) * 2001-11-07 2006-10-11 独立行政法人科学技術振興機構 画像処理方法
JP4140582B2 (ja) * 2004-08-19 2008-08-27 ソニー株式会社 認証装置および認証方法
JP4012200B2 (ja) * 2004-12-28 2007-11-21 株式会社東芝 オブジェクト検出方法、装置、及びプログラム
US7489265B2 (en) * 2005-01-13 2009-02-10 Autoliv Asp, Inc. Vehicle sensor system and process
US7526101B2 (en) * 2005-01-24 2009-04-28 Mitsubishi Electric Research Laboratories, Inc. Tracking objects in videos with adaptive classifiers
JP2006235953A (ja) 2005-02-24 2006-09-07 Toshiba Corp 分類装置、分類方法、およびプログラム
US20060193520A1 (en) * 2005-02-28 2006-08-31 Takeshi Mita Object detection apparatus, learning apparatus, object detection system, object detection method and object detection program
JP2006268825A (ja) * 2005-02-28 2006-10-05 Toshiba Corp オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム

Also Published As

Publication number Publication date
US20080118161A1 (en) 2008-05-22
JP2008130086A (ja) 2008-06-05
CN101187985A (zh) 2008-05-28
US8041115B2 (en) 2011-10-18
CN101187985B (zh) 2012-02-01

Similar Documents

Publication Publication Date Title
JP5127392B2 (ja) 分類境界確定方法及び分類境界確定装置
CN110532976B (zh) 基于机器学习和多特征融合的疲劳驾驶检测方法及系统
CN108960266B (zh) 图像目标检测方法及装置
JP6266238B2 (ja) 接近物検出システム、及び車両
US9514366B2 (en) Vehicle detection method and system including irrelevant window elimination and/or window score degradation
JP4723582B2 (ja) 交通標識検出方法
CN102997900B (zh) 外界识别方法、装置以及车辆系统
US11107231B2 (en) Object detection device, object detection method, and object detection program
US20150104062A1 (en) Probabilistic neural network based moving object detection method and an apparatus using the same
JP7185419B2 (ja) 車両のための、対象物を分類するための方法および装置
CN110458093B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
Sharma et al. A hybrid technique for license plate recognition based on feature selection of wavelet transform and artificial neural network
KR20210152025A (ko) 자율주행 자동차의 퍼셉션 네트워크를 학습시키기 위한 온-비히클 액티브 러닝 방법 및 장치
JP7072765B2 (ja) 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム
CN117037081A (zh) 基于机器学习的交通监控方法、装置、设备及介质
CN113610770B (zh) 一种车牌识别方法和装置及设备
CN114141022A (zh) 应急车道占用行为检测方法、装置、电子设备及存储介质
CN110569732B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
CN114882462B (zh) 一种道路环境多目标辨识与追踪的方法及装置
CN114937261A (zh) 图像识别的方法、装置、介质和设备
CN114049771A (zh) 基于双模态的交通异常检测方法、系统和存储介质
JP4719605B2 (ja) 対象物検出用データ生成装置、方法及びプログラム並びに対象物検出装置、方法及びプログラム
Jayashree et al. Convolutional Neural Networks (CNN)-based Vehicle Crash Detection and Alert System
KR102045026B1 (ko) 차선 인식 장치 및 방법
TWI749870B (zh) 處理視訊內容分析的裝置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20100927

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20111116

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20120726

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120807

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120918

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20121030

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20121030

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20151109

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees